Bab 8
Pendeteksian Tepi (Edge Detection)
eningkatan kualitas citra (image enhancement) bertujuan menghasilkan citra dengan kualitas yang lebih baik dibandingkan dengan citra semula. Langkah selanjutnya dalam pengolahan citra adalah analisis citra (image analysis). Analisis citra bertujuan mengidentifikasi parameter-parameter yang diasosiasikan dengan ciri (feature) dari objek di dalam citra, untuk selanjutnya parameter tersebut digunakan dalam menginterpretasi citra. Analisis citra pada dasarnya terdiri dari tiga tahapan: ekstrakasi ciri (feature extraction), segmentasi, dan klasifikasi.
P
Faktor kunci dalam mengekstraksi ciri adalah kemampuan mendeteksi keberadaan tepi (edge) dari objek di dalam citra. Setelah tepi objek diketahui, langkah selanjutnya dalam analisis citra adalah segmentasi, yaitu mereduksi citra menjadi objek atau region, misalnya memisahkan objek-objek yang berbeda dengan mengekstraksi batas-batas objek (boundary). Langkah terakhir dari analisis citra adalah klasifikasi, yaitu memetakan segmen-segmen yang berbeda ke dalam kelas objek yang berbeda pula.
8.1 Definisi Tepi Yang dimaksud dengan tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat (Gambar 8.1). Perbedaan intensitas inilah yang menampakkan rincian pada gambar. Tepi biasanya terdapat pada batas antara dua daerah berbeda pada suatu citra. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda pada bergantung pada perubahan intensitas.
Bab 8_Pendeteksian Tepi (Edge Detection)
121
jarak perubahan intensitas
α = arah tepi
α
Gambar 8.1 Model tepi satu-matra
Perhatikan Gambar 8.2. Ada tiga macam tepi yang terdapat di dalam citra digital. Ketiganya adalah: 1. Tepi curam Tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 90°. 2. Tepi landai Disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya berdekatan. 3. Tepi yang mengandung derau (noise) Umumnya tepi yang terdapat pada aplikasi computer vision mengandung derau. Operasi peningkatan kualitas citra (image enhancement) dapat dilakukan terlebih dahulu sebelum pendeteksian tepi. derajat keabuan
x
0
x
0
derajat keabuan
derajat keabuan
(b) tepi l andai
derajat keabuan
(a) Tepi curam
x
(d) break down tepi landai
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 (e) citra curam
0
x
(c) tepi curam dengan derau
8 8 8 8 8 4 4 5 6 7 8 8 8 8 8 8 8 8 4 4 5 6 7 8 8 8 8 8 8 8 8 4 4 5 6 7 8 8 8 8 8 8 8 8 4 4 5 6 7 8 8 8 8 8 8 8 8 4 4 5 6 7 8 8 8 dengan tepi (f) citra dengan tepi landai
Gambar 8. 2 Jenis-jenis tepi
122
Pengolahan Citra Digital
8.2 Tujuan Pendeteksian Tepi Pendeteksian tepi merupakan langkah pertama untuk melingkupi informasi di dalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek di dalam citra. Tujuan operasi pendeteksian tepi adalah untuk meningkatkan penampakan garis batas suatu daerah atau objek di dalam citra. Karena tepi termasuk ke dalam komponen berfrekuensi tinggi, maka pendeteksian tepi dapat dilakukan dengan penapis lolos-tinggi. Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain: 1. Operator gradien pertama (differential gradient) 2. Operator turunan kedua (Laplacian) 3. Operator kompas (compass operator)
8.3 Pendeteksian Tepi dengan Operator Gradien Pertama Perubahan intensitas yang besar dalam jarak yang singkat dipandang sebagai fungsi yang memiliki kemiringan yang besar. Kemiringan fungsi biasanya dilakukan dengan menghitung turunan pertama (gradient). Karena citra f(x,y) adalah fungsi dwimatra dalam bentuk diskrit, maka turunan pertamanya adalah secara parsial, masing-masing dalam arah-x dan dalam arah-y, sebagai berikut:
∂f G x ∇f = ∂∂fx = G y ∂y
(8.1)
yang dalam hal ini,
Gx =
∂f ( x, y ) f ( x + ∆x, y ) − f ( x, y ) = ∂x ∆x
(8.2)
Gy =
∂f ( x , y ) f ( x , y + ∆y ) − f ( x, y ) = ∂y ∆y
(8.3)
Biasanya ∆x = ∆y = 1 , sehingga persamaan turunan pertama menjadi:
∂f ( x, y ) = f ( x + 1, y ) − f ( x , y ) ∂x ∂f ( x , y ) Gy = = f ( x, y + 1) − f ( x, y ) ∂y Gx =
Bab 8_Pendeteksian Tepi (Edge Detection)
(8.4) (8.5)
123
Titik-titik yang terlibat dalam perhitungan turunan pertama diperlihatkan pada Gambar 8.3. y (x-1,y+1)
(x ,y+ 1) (x+ 1,y+ 1)
(x-1,y)
(x,y)
(x+ 1,y)
(x-1,y-1) (x,y-1)
(x+ 1,y-1) x
Gambar 8.3 Titik -titik yang dilibatkan dalam perhitungan gradien
Kedua turunan tersebut dapat dipandang sebagai dua buah mask konvolusi sebagai berikut:
G1 ( x ) = [− 1 1]
1 G1 ( y ) = − 1
dan
Contoh 8.1. [LOW91] Misalkan terdapat sebuah 5 × 5 citra dengan dua derajat keabuan sebagai berikut:
1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 1 0 0 0
Hasil perhitungan gradien setiap pixel di dalam citra adalah sebagai berikut: Citra 1 1 1 1 1
124
1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 1 0 0 0
Gradien-x 0
0
0
0 *
0
0 0
0 0
0 0 * −1 0 *
0 0
0 −1
0
0 *
0
0 −1
0
0 *
*
Gradien-y 0 0 0 0 0 1 0 1 0 0 0 0 * * *
0 1 0 0 *
Arah gradien * * * * * * * * b b * * * * * ↔ * * * * ↔ * * * ¾ Pengolahan Citra Digital
Berdasarkan konvolusi dengan kedua mask tersebut, kita menghitung kekuatan tepi, G[f(x,y)], yang merupakan magnitudo dari gradien, dan arah tepi, α(x,y), untuk setiap pixel: G[f(x,y)]=
Gx + G y
α(x,y) = tan-1
2
2
Gy Gx
(8.6) (8.7)
Karena menghitung akar adalah persoalan rumit dan menghasilkan nilai riil, maka dalam praktek kekuatan tepi biasanya disederhanakan perhitungannya dengan menggunakan salah satu dari alternatif rumus berikut [DUL97]: (i) G[f(x,y)] = G x 2 + G y 2 , atau (ii) G[f(x,y)] = G x + G y , atau (iii) G[f(x,y)] = max{ G x 2 , G y 2 } , atau (iv) G[f(x,y)] = max{ G x , G y } . Dalam praktek, persamaan (ii) dan (iv) biasanya lebih disukai dan lebih mudah dikerjakan karena mengandung jumlah operasi aritmetika yang lebih sedikit. Hasil pendeteksian tepi adalah citra tepi (edges image) g(x,y), yang nilai setiap pixel-nya menyatakan kekuatan tepi:
g ( x , y ) = G [ f ( x , y )] Keputusan apakah suatu pixel merupakan tepi atau bukan tepi dinyatakan dengan operasi pengambangan berikut:
1, jika G [ f ( x , y )] ≥ T g( x, y) = lainnya 0,
(8.8)
yang dalam hal ini T adalah nilai ambang, pixel tepi dinyatakan putih sedangkan pixel bukan tepi dinyatakan hitam. Gambar 8.4 adalah contoh hasil deteksi semua tepi citra Lena, citra Camera, dan citra botol.
Bab 8_Pendeteksian Tepi (Edge Detection)
125
Gambar 8.4 Deteksi semua tepi citra Lena, camera, dan botol
126
Pengolahan Citra Digital
Selain operator gradien yang sudah disebutkan di atas, masih ada beberapa operator gradien pertama yang lain yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu: (a) Operator gradien selisih-terpusat (center-difference):
Dx ( x, y ) =
∂f ( x , y ) f ( x + 1, y ) − f ( x − 1, y ) = ∂x 2
(8.9)
Dy ( x, y ) =
∂f ( x, y ) f ( x, y + 1) − f ( x, y − 1) = ∂y 2
(8.10)
yang ekivalen dengan mask berikut:
D2 ( x ) = [− 1 0 1]
dan
1 D2 ( y ) = 0 − 1
(b) Operator Sobel Tinjau pengaturan pixel di sekitar pixel (x,y):
a1 a2 a0 a ( x, y) a 3 7 a 6 a5 a4 Operator Sobel adalah magnitudo dari gradien yang dihitung dengan M=
s 2x + s 2y
yang dalam hal ini, turunan parsial dihitung dengan
s x = ( a2 + ca3 + a 4 ) − (a 0 + ca 7 + a 6 )
(8.11)
s y = ( a 0 + ca1 + a 22 ) − ( a 6 + ca5 + a4 )
(8.12)
dengan konstanta c = 2. Dalam bentuk mask, sx dan sy dapat dinyatakan sebagai
− 1 0 1 S x = − 2 0 2 − 1 0 1
dan
Bab 8_Pendeteksian Tepi (Edge Detection)
2 1 1 Sy = 0 0 0 − 1 − 2 − 1 127
Arah tepi dihitung dengan persamaan
S α(x,y) = tan-1 y Sx
(8.13)
Contoh 8.2. Contoh berikut ini memeperlihatkan pendeteksian tepi dengan operator Sobel. Konvolusi pertama dilakukan terhadap pixel yang bernilai 1 (di titik pusat mask):
3 2 3 4 2
4 2 5 1 1 6 4 2 5 7 1 3 2 5 7 1 5 1 3 2
* * * * * * 18
(i) citra semula
(ii) hasil konvolusi
Nilai 18 pada citra hasil konvolusi diperoleh dengan perhitungan berikut: Sx = (3)(-1) + (2)(-2) + (3)(-1) + (2)(1) + (6)(2) + (7)(1) = 11 Sy = (3)(1) + (4)(2) + (2)(1) + (3)(-1) + (5)(-2) + (7)(-1) = -7 M=
s 2x + s 2y =
Pada contoh ini, nilai M =
112 + ( −7 ) 2 ≅ S x + S y = 11 + − 7 = 18 s 2x + s 2y dihampiri dengan menghitung
M ≅ Sx + S y .
¾
Contoh 8.3. Di bawah ini contoh lain pendeteksian tepi dengan operator Sobel, dimana hasil konvolusi diambangkan dengan T = 12. Citra: 0 0 0 0 0 0
0 0 0 0 0 2 0 3 3 0 0 1 0 0 0 2 4 3 0 2 0 2 4 3 3 2 3 0 1 3 3 4 3 3 3 3 1 0 4 3 3 2 4 3 2 0 1 2 3 3 4 4 4 3
128
gradien - x + gradien - y :
* * * * * *
* * * * * * 10 14 12 14 4 * 6 8 10 20 16 12 6 0 * 4 10 14 10 2 4 2 4 * 2 12 12 2 2 4 6 8 * * * * * * * * * * * 4
* 6
* 4
Pengolahan Citra Digital
Hasil pengambangan dengan T = 12:
* * * * * *
* * * * * * 10 14 12 14 4 * 6 8 10 20 16 12 6 0 * 4 10 14 10 2 4 2 4 * 2 12 12 2 2 4 6 8 * * * * * * * * * * * 4
* 6
* 4
¾
(c) Operator Prewitt Persamaan gradien pada operator Prewitt sama seperti operator Sobel, tetapi menggunakan nilai c = 1:
− 1 0 1 Px = − 1 0 1 − 1 0 1
dan
1 1 1 Py = 0 0 0 − 1 − 1 − 1
(d) Operator Roberts Operator Roberts sering disebut juga operator silang (gambar 8.5). Gradien Roberts dalam arah-x dan arah-y dihitung dengan rumus:
R+ ( x , y ) = f ( x + 1, y + 1) − f ( x , y )
(8.14)
R− ( x , y ) = f ( x, y + 1) − f ( x + 1, y )
(8.15)
f(x, y+1)
f(x, y)
f(x + 1, y+1)
f(x + 1, y)
x Gambar 8. 5 Operator silang
Bab 8_Pendeteksian Tepi (Edge Detection)
129
Operator R+ adalah hampiran turunan berarah dalam arah 45°, sedangkan Radalah hampiran turunan berarah dalam arah 135°. Dalam bentuk mask konvolusi, operator Roberts adalah:
1 0 0 1 R+ = dan R− = 0 − 1 − 1 0
Khusus untuk operator Roberts, arah tepi dihitung dengan rumus
α ( x, y ) =
π R + tan −1 ( − ) 4 R+
(8.17)
Sedangkan kekuatan tepi umumnya dihitung dengan rumus G[f(x,y)] = R+ + R−
Contoh 8.4. Contoh berikut ini memeperlihatkan pendeteksian tepi dengan operator Roberts.
3 2 3 4 2
4 2 5 1 1 6 4 2 5 7 1 3 2 5 7 1 5 1 3 2
(i) citra semula
4 5 2 1 *
3 3 6 * 7 8 2 * 5 4 4 * 1 8 7 * * * * *
(ii) hasil konvolusi
Nilai 4 pada pojok kiri atas pada citra hasil konvolusi diperoleh dengan perhitungan sebagai berikut: f ’[0,0] = ¦ 3 – 1 ¦ + ¦ 4 – 2 ¦ = 4
8.4 Pendeteksian Tepi dengan Operator Turunan Kedua Operator turunan kedua disebut juga operator Laplace. Operator Laplace mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Pada tepi yang curam, turunan keduanya mempunyai persilangan nol (zero-crossing), yaitu titik di mana terdapat pergantian tanda nilai turunan kedua (Gambar 8.6),
130
Pengolahan Citra Digital
sedangkan pada tepi yang landai tidak terdapat persilangan nol. Persilangan nol merupakan lokasi tepi yang akurat. Turunan kedua fungsi dengan dua peubah adalah:
∂2 f ∂2 f + ∂x 2 ∂y 2
∇2 f =
(8.18)
f(x)
∂f /∂x
∂ 2f /∂x2
•
(a) Tepi landai
(b) Tepi curam
Gambar 8. 6 Deteksi tepi dengan operator turunan kedua
Dengan menggunakan definisi hampiran selisih-mundur (backward difference approximation):
G3 ( x) =
∂f ( x, y ) f ( x , y ) − f ( x − ∆x, y ) = ∂x ∆x
(8.19)
G3 ( y) =
∂f ( x, y ) f ( x , y ) − f ( x , y − ∆y ) = ∂y ∆y
(8.20)
Bab 8_Pendeteksian Tepi (Edge Detection)
131
maka
∇2 f =
∂2 f ∂2 f + ∂x 2 ∂y 2
= G1 (G3 ( x )) + G1 (G3 ( y )) 1 1 = G1 ( f ( x , y )) − G1 ( f ( x − ∆x , y )) + G1 ( f ( x , y )) − G1 ( f ( x , y − ∆y )) ∆x ∆y 1 f ( x + ∆x , y ) − f ( x , y ) − f ( x, y ) + f ( x − ∆ x, y ) { } ∆x ∆x 1 f ( x , y + ∆y ) − f ( x , y ) − f ( x , y ) + f ( x, y − ∆y ) + { } ∆y ∆y =
=
f ( x + ∆x , y ) − 2 f ( x, y ) + f ( x − ∆ x, y ) ( ∆x ) 2
+
f ( x , y + ∆y ) − 2 f ( x , y ) + f ( x, y − ∆ y ) ( ∆y )2
Dengan mengasumsikan ∆x = ∆y = 1, maka diperoleh:
∇2 f ( x , y ) = f ( x + 1, y ) − 2 f ( x , y ) + f ( x − 1, y ) + f ( x , y + 1) − 2 f ( x, y ) + f ( x, y − 1) = f ( x , y − 1) + f ( x − 1, y ) − 4 f ( x, y ) + f ( x + 1, y ) + f ( x, y + 1) (8.21) atau dapat dinyatakan sebagai mask: 0 1 0 1 − 4 1 0 1 0 Selain mask di atas, masih ada dua hampiran operator Laplace yang lain, yaitu
− 1 − 1 − 1 1 −2 1 − 1 8 − 1 dan − 2 4 − 2 1 − 2 1 − 1 − 1 − 1
132
Pengolahan Citra Digital
Kadang-kadang diinginkan memberi bobot yang lebih pada pixel tengah di antara pixel tetangganya. Operator Laplace yang digunakan untuk tujuan ini adalah
4 1 1 4 − 20 4 4 1 1 Operator Laplace termasuk ke dalam penapis lolos-tinggi sebab jumlah seluruh koefisiennya nol dan koefisiennya mengandung nilai negatif maupun positif.
Contoh 8.5. [GAL90] Contoh berikut ini memperlihatkan pendeteksian tepi vertikal dengan operator Laplace:
4 4 4 4 4
4 4 8 8 8 8 4 4 8 8 8 8 4 4 8 8 8 8 4 4 8 8 8 8 4 4 8 8 8 8
* * * * *
* * * * * * 0 + 4 − 4 0 0 * 0 + 4 − 4 0 0 * 0 + 4 − 4 0 0 * * * * * * * (ii) Hasil konvolusi
(i) Citra semula 8
+4
4
0
0
-4
Satu baris dari hasil pendeteksian tepi: 0 +4
–4 0 0
Pada contoh di atas, persilangan nol bersesuaian dengan tepi pada citra semula, yang terdapat pada titik tengah antara dua buah pixel yang bersesuaian. Pixel tepi seharusnya ditandai secara konsisten, apakah pixel di sebelah kiri atau di sebelah kanan garis “|”. ¾
Bab 8_Pendeteksian Tepi (Edge Detection)
133
Contoh 8.6. [GAL90] Pendeteksian tepi diagonal (miring) dengan operator Laplace: 4 4 4 4 4
4 8 8 8 8 8 8 4 4 8 8 8 8 8 4 4 4 8 8 8 8 4 4 4 4 8 8 8 4 4 4 4 4 8 8
* * * * *
* 0 0 0 *
* * +8 − 4 0 0 0 * 0 + 8 − 4 0 0 * 0 0 + 8 − 4 0 * * * * * * * *
*
*
*
(ii) Hasil konvolusi
(i) Citra semula
¾
Contoh 8.7. Pendeteksian tepi landai dengan operator Laplace:
2 2 2 2 2
2 2 5 8 8 8 8 2 2 5 8 8 8 8 2 2 5 8 8 8 8 2 2 5 8 8 8 8 2 2 5 8 8 8 8 (i) Citra semula
* * * * *
* * * 0 + 3 0 − 3 0 0 * 0 + 3 0 − 3 0 0 * 0 + 3 0 − 3 0 0 * * * * * * * * *
*
*
*
(ii) Hasil konvolusi
Satu baris dari hasil pendeteksian tepi: 0 +3 0 –3 0 Pada contoh di atas tidak terdapat persilangan nol; lokasi tepi yang sesungguhnya ditentukan secara interpolasi. ¾
Kadangkala pendeteksian tepi dengan operator Laplace menghasilkan tepi-tepi palsu yang disebabkan oleh gangguan pada gambar [DUL97]. Untuk mengurangi kemunculan tepi palsu, citra disaring dulu dengan fungsi Gaussian (Gambar 8.7).
134
Pengolahan Citra Digital
f(x,y)
dihaluskan dengan fungsi Gauss, G(x,y)
h(x,y)
operator Laplace, ∇2
k(x,y) Gambar 8. 7 Skema pendeteksian tepi untuk citra yang mengalami gangguan.
Berdasarkan skema pada Gambar 8.7:
k ( x , y ) = ∇ 2h ( x, y )
(8.22)
h ( x, y ) = f ( x , y ) * G ( x, y )
(8.23)
dan
maka dapat dibuktikan bahwa
∇2 [ f ( x , y ) * G ( x , y )] = f ( x , y ) * ∇ 2G ( x, y )
(8.24)
k ( x , y ) = f ( x , y ) * ∇ 2G ( x, y )
(8.25)
Jadi,
yang dalam hal ini,
x 2 + y 2 − 2σ 2 − e ∇ G ( x, y ) = σ4 2
Bab 8_Pendeteksian Tepi (Edge Detection)
( x 2 + y2 ) 2σ 2
(8.26)
135
Fungsi ∇2G(x,y) merupakan turunan kedua dari fungsi Gauss, kadang-kadang disebut juga fungsi Laplacian of Gaussian (LoG) atau fungsi topi orang Mexico (Mexican Hat), karena bentuk kurvanya seperti topi Meksiko. Jadi, untuk mendeteksi tepi dari citra yang mengalami gangguan, kita dapat melakukan salah satu dari dua operasi ekivalen di bawah ini: 1.
Konvolusi citra dengan fungsi Gauss G(x,y), kemudian lakukan operasi Laplacian terhadap hasilnya, atau
2.
Konvolusi citra dengan penapis LoG.
Contoh penapis LoG yang berukuran 5 × 5:
0 −1 0 0 0 0 −1 − 2 −1 0 − 1 − 2 16 − 2 − 1 0 −1 − 2 −1 0 0 0 −1 0 0
Hasil pendeteksian tepi dengan operator Laplace dan Laplacian of Gaussian diperlihatkan pada Gambar 8.8.
(a)
136
(b)
Pengolahan Citra Digital
(c)
(d)
Gambar 8. 8 (a) citra botol; (b) Laplace; (c) Laplace dengan bobot lebih; (d) Laplacian of Gaussian (LoG)
8.5 Pendeteksian Tepi dengan Operator Kompas Operator kompas (compass operator) digunakan untuk mendeteksi semua tepi dari berbagai arah di dalam citra. Operator kompas yang dipakai untuk pendeteksian tepi menampilkan tepi dari 8 macam arah mata angin: Utara, Timur Laut, Timur, Tenggara, Selatan, Barat Daya, dan Barat Laut. Pendeteksian tepi dilakukan dengan mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude) yang terbesar dan arahnya. Jika misalnya digunakan sebanyak p buah mask kompas dan nilai kekuatan tepi pada pixel (x, y) untuk semua mask adalah G1[f(x,y)], G2[f(x,y)], …, Gp[f(x,y)], maka besar kekuatan tepi adalah:
G [ f ( x , y )] = max{Gi [ f ( x , y )] i = 1,2,..., p}
(8.27)
i
Jika mask k adalah mask yang memberikan kekuatan terbesar, maka arah tepi ditentukan dari mask k tersebut. Operator kompas yang dipakai untuk pendeteksian tepi menampilkan tepi dari 8 macam arah mata angin:
Bab 8_Pendeteksian Tepi (Edge Detection)
137
Utara 1 1 1 1 −2 1 − 1 − 1 − 1
Timur Laut 1 1 1 − 1 − 2 1 − 1 − 1 1
Timur − 1 1 − 1 − 2 − 1 1
1 1 1
Tenggara − 1 − 1 1 − 1 − 2 1 1 1 1
Selatan − 1 − 1 − 1 1 −2 1 1 1 1
Barat Daya 1 − 1 − 1 1 − 2 − 1 1 1 1
Barat 1 1 − 1 1 − 2 − 1 1 1 − 1
Barat Laut 1 1 1 1 − 2 − 1 1 − 1 − 1
Operator kompas yang tersedia dapat juga digunakan untuk mendeteksi tepi dalam arah tertentu saja. Misalnya diinginkan mendeteksi tepi dalam arah horizontal dan vertikal, seperti hasil pendeteksian tepi citra San Fransisco (Gambar 8.9) dan citra WTC1109.
Tepi horizontal
Tepi vertikal
Gambar 8. 9 Deteksi tepi horizontal dan vertikal dari citra San Fransisco
138
Pengolahan Citra Digital
Gambar 8. 10. Citra WTC1109
Tepi vertikal
Bab 8_Pendeteksian Tepi (Edge Detection)
139
Tepi horizontal Gambar 8.10 (lanjutan).
140
Pengolahan Citra Digital
